DOI: https://doi.org/10.51594/gjabr.v4i2.209
تاريخ النشر: 2026-03-26
المؤلف: Chiamaka Grace Ohanebo وآخرون
الموضوع الرئيسي: أبحاث الصحة والسلامة المهنية
نظرة عامة
تستكشف هذه الدراسة التقدم في أنظمة توقع مخاطر السلامة في مكان العمل المعتمدة على البيانات، والتي تهدف إلى التخفيف من الإصابات المهنية عبر مختلف القطاعات، بما في ذلك الصناعة، والبناء، والرعاية الصحية، واللوجستيات، والتصنيع. على الرغم من تنفيذ تدابير السلامة التقليدية، لا تزال المخاطر المستمرة تؤدي إلى عواقب إنسانية وتشغيلية واقتصادية كبيرة. إدارة السلامة التقليدية تفاعلية في الغالب، تركز على الإبلاغ عن الحوادث بعد الضرر، مما يحد من القدرة على تحديد المخاطر الناشئة والتخفيف منها بشكل استباقي في البيئات الديناميكية.
على النقيض من ذلك، تؤكد الدراسة على الأهمية المتزايدة لأنظمة توقع المخاطر المعتمدة على البيانات كأدوات استباقية تستفيد من مصادر بيانات متنوعة—مثل سجلات الحوادث، وتقارير الحوادث القريبة، وأجهزة الاستشعار القابلة للارتداء، وأجهزة مراقبة البيئة—لإنتاج معلومات سلامة في الوقت الحقيقي. لقد عزز دمج التعلم الآلي، والذكاء الاصطناعي، والتحليلات التنبؤية، وتقنيات إنترنت الأشياء من دقة وملاءمة هذه الأنظمة. تسلط الأبحاث الضوء على قدرات النماذج التنبؤية الحديثة في تحديد الأنشطة عالية المخاطر، وتقدير احتمالات الإصابة، وتحديد المناطق الضعيفة، مما يوفر دعمًا حاسمًا للقرارات للموظفين المعنيين بالسلامة. بالإضافة إلى ذلك، تناقش فائدة لوحات المعلومات، والتنبيهات التلقائية، والتوائم الرقمية، وأنظمة التحكم التكيفية في تحسين التعرف على المخاطر وتنسيق الاستجابة، بينما تتناول أيضًا الاعتبارات الأساسية لجودة البيانات، والعوامل البشرية، وقابلية تفسير النماذج، والخصوصية، والحوكمة الأخلاقية.
مقدمة
تتناول مقدمة ورقة البحث التحدي المستمر للإصابات المهنية عبر مختلف الصناعات، على الرغم من التقدم الكبير في لوائح السلامة، والتدريب، والتكنولوجيا. هذه الإصابات لا تؤثر فقط على العمال الأفراد وعائلاتهم، بل تفرض أيضًا تكاليف كبيرة على أصحاب العمل والاقتصادات الوطنية. تعقيد بيئات العمل الحديثة، التي تتميز بالظروف الديناميكية والتقنيات المتقدمة، يتطلب تحولًا من إدارة السلامة التفاعلية التقليدية إلى نهج استباقي وتنبؤي. غالبًا ما تركز الطرق التقليدية على الاستجابة للحوادث والامتثال، مما قد يغفل المخاطر الناشئة ويفشل في تقديم تدخلات في الوقت المناسب.
تؤكد الورقة على أهمية أنظمة توقع مخاطر السلامة المعتمدة على البيانات، التي تستفيد من التقنيات المتقدمة مثل التعلم الآلي وإنترنت الأشياء لتحليل مصادر بيانات متعددة، بما في ذلك تقارير الحوادث وأجهزة الاستشعار البيئية. تهدف هذه الأنظمة إلى تحديد الأنماط وعلامات التحذير المبكرة للمخاطر المحتملة، مما يمكّن المنظمات من تنفيذ تدابير وقائية قبل حدوث الحوادث. تسعى الدراسة لاستكشاف تطور هذه الأنظمة التنبؤية، وأسسها التكنولوجية، وآثارها على تحسين أداء السلامة واتخاذ القرارات التنظيمية. من خلال دمج الرؤى من مجالات متعددة، تهدف الأبحاث إلى المساهمة في نهج أكثر استباقية وقائم على الأدلة لإدارة الصحة والسلامة المهنية، مما يعزز في النهاية سلامة مكان العمل ويقلل من الإصابات القابلة للتجنب.
نقاش
تناقش هذه القسم الأسس المفاهيمية وأهمية أنظمة توقع مخاطر السلامة في مكان العمل المعتمدة على البيانات، والتي تهدف إلى تحديد المخاطر المرتبطة بالإصابات المهنية والتخفيف منها بشكل استباقي. تستفيد هذه الأنظمة من مجموعة متنوعة من البيانات المتعلقة بالسلامة—تتراوح من تقارير الحوادث والملاحظات القريبة من الحوادث إلى المراقبة في الوقت الحقيقي من خلال الأجهزة القابلة للارتداء وأجهزة الاستشعار البيئية—لإنشاء فهم شامل لمخاطر مكان العمل. من خلال الانتقال إلى ما هو أبعد من الأساليب التفاعلية التقليدية، التي غالبًا ما تركز على الحوادث السابقة، تؤكد هذه الأنظمة التنبؤية على الكشف المبكر والتدخل، مما يعزز ثقافة السلامة التنظيمية واتخاذ القرار.
تستند الأسس النظرية لإدارة السلامة التنبؤية إلى نظرية الأنظمة، وإدارة المخاطر، والعوامل البشرية، مما يبرز أن حوادث العمل تنشأ عادةً من تفاعلات معقدة بين عناصر مختلفة، بدلاً من أسباب معزولة. يسمح هذا النهج متعدد التخصصات للمنظمات بإعادة تقييم المخاطر باستمرار وتكييف استراتيجيات السلامة الخاصة بها بناءً على البيانات في الوقت الحقيقي، مما يعزز بيئة سلامة استباقية. يمكّن دمج تحليلات البيانات المتقدمة المنظمات من تحديد الأنماط والاتجاهات التي تُعلم التدابير الوقائية، مما يحول التركيز في النهاية من مجرد الاستجابة للحوادث إلى توقعها ومنعها قبل حدوثها. لا تحمي هذه التطورات في إدارة السلامة العمال فحسب، بل تساهم أيضًا في الكفاءة التشغيلية والاستدامة.
DOI: https://doi.org/10.51594/gjabr.v4i2.209
Publication Date: 2026-03-26
Author(s): Chiamaka Grace Ohanebo et al.
Primary Topic: Occupational Health and Safety Research
Overview
This study investigates the advancements in data-driven workplace safety risk prediction systems aimed at mitigating occupational injuries across various sectors, including industrial, construction, healthcare, logistics, and manufacturing. Despite the implementation of traditional safety measures, persistent hazards continue to result in significant human, operational, and economic repercussions. Conventional safety management is predominantly reactive, focusing on incident reporting post-harm, which restricts the ability to proactively identify and mitigate emerging risks in dynamic environments.
In contrast, the study underscores the growing significance of data-driven risk prediction systems as proactive tools that leverage diverse data sources—such as incident records, near-miss reports, wearable sensors, and environmental monitoring devices—to generate real-time safety intelligence. The integration of machine learning, artificial intelligence, predictive analytics, and Internet of Things technologies has enhanced the accuracy and relevance of these systems. The research highlights the capabilities of modern predictive models in identifying high-risk activities, estimating injury probabilities, and prioritizing vulnerable areas, thereby providing critical decision support for safety personnel. Additionally, it discusses the utility of dashboards, automated alerts, digital twins, and adaptive control systems in improving hazard recognition and response coordination, while also addressing the essential considerations of data quality, human factors, model interpretability, privacy, and ethical governance.
Introduction
The introduction of the research paper addresses the ongoing challenge of occupational injuries across various industries, despite significant advancements in safety regulations, training, and technology. These injuries not only impact individual workers and their families but also impose substantial costs on employers and national economies. The complexity of modern work environments, characterized by dynamic conditions and advanced technologies, necessitates a shift from traditional reactive safety management to proactive and predictive approaches. Traditional methods often focus on incident response and compliance, which may overlook emerging risks and fail to provide timely interventions.
The paper emphasizes the importance of data-driven safety risk prediction systems, which leverage advanced technologies such as machine learning and IoT to analyze multiple data sources, including incident reports and environmental sensors. These systems aim to identify patterns and early warning signs of potential hazards, enabling organizations to implement preventive measures before incidents occur. The study seeks to explore the evolution of these predictive systems, their technological foundations, and their implications for improving safety performance and organizational decision-making. By integrating insights from various disciplines, the research aims to contribute to a more proactive and evidence-based approach to occupational health and safety management, ultimately enhancing workplace safety and reducing preventable injuries.
Discussion
The section discusses the conceptual foundations and significance of data-driven workplace safety risk prediction systems, which are designed to proactively identify and mitigate risks associated with occupational injuries. These systems leverage a diverse array of safety-related data—ranging from incident reports and near-miss observations to real-time monitoring through wearable devices and environmental sensors—to create a comprehensive understanding of workplace hazards. By moving beyond traditional reactive approaches, which often focus on past incidents, these predictive systems emphasize early detection and intervention, thereby enhancing organizational safety culture and decision-making.
The theoretical underpinnings of predictive safety management draw from systems theory, risk management, and human factors, highlighting that workplace accidents typically arise from complex interactions among various elements, rather than isolated causes. This multidisciplinary approach allows organizations to continuously reassess risks and adapt their safety strategies based on real-time data, fostering a proactive safety environment. The integration of advanced data analytics enables organizations to identify patterns and trends that inform preventive measures, ultimately shifting the focus from merely responding to incidents to anticipating and preventing them before they occur. This evolution in safety management not only protects workers but also contributes to operational efficiency and sustainability.